Применение квантованных моделей машинного обучения для встраиваемых систем в реальных задачах

Исследование охватывает разнообразные схемы квантования: равномерное с фиксиро-ванной точкой (8-, 4и 2-битное), с учетом статистического распределения параметров, смешанную точность и с учетом обучения. Для проведения экспериментов использованы архитектуры нейронных сетей, тщательно адаптированные к специфике каждой задачи: одномерные сверточные – для анализа временных рядов, с долгой краткосрочной памятью – для точного прогнозирования, гибридные сверточные с долгой краткосрочной памятью – для комплексного анализа вибраций и оптимизированные мобильные – для эффективной классификации изоб-ражений. Полученные результаты убедительно показывают, что 8-битное квантование обеспечивает оптимальный баланс между вычислительной точностью и ресурсной эффективностью, уменьшая размер модели на 75 % при минимальном снижении точности всего на 1–2 %.